教程：
https://github.com/peiss/ant-learn-recsys
https://www.youtube.com/watch?v=FMN1e8Izyac&list=PLCemT-oocgalODXpQ-EP_IfrrD-A--40h&index=15
基本思路：
- 用户 喜欢 --> 物品 --> 相似 物品
- 用户 有相似兴趣的 --> 用户 --> 喜欢 --> 物品
- 用户 喜欢，具有 -- > 特性 <-- 包含 物品
推荐系统分类：
1.根据实时性
离线推荐 / 实时推荐
2.是否个性化
基于统计（热门） / 个性化推荐
3.根据推荐原则
基于相识度推荐
基于知识推荐
基于模型推荐
4.基于数据源分类
基于人口统计学推荐（用户）
基于内容推荐（物品）
基于协同过滤推荐（行为）
-- 基于近邻协同过滤（相似度）
---基于用户
--- 基于物品
-- 基于模型协同过滤
---奇异值分解 SVD
--- 潜在语义分析 LSA
--- 支持向量机 SVM
推荐系统评测指标
1.预测准确度 精确率 召回率
2.用户满意度
3.覆盖率
4.多样性
5.惊喜度
6.信任度
7.实时性
8.健壮性
9.商业目标
1、推荐系统包含哪些环节：
召回 --> 排序 --> 调整
2、召回路径：
推荐系统建议技术架构：
推荐系统分类：
基于内容的推荐系统：
基于协同过滤的推荐系统：
实现多路召回的融合排序：
实现AB测试：
实现内容相似推荐：
实现用户聚类推荐：
实现矩阵分解的推荐：
矩阵分解是协同过滤中基于模型的一种
解决物品冷启动问题：
极其重要的Embedding技术：
Python使用Faiss实现向量近邻搜索：
解决Embedding的性能问题
推荐系统依赖的数据源与特征工程：
使用pyspark训练item2vec实现电影相关推荐：
item2vec的处理思路与word2vec一样
使用SparkALS矩阵分解实现电影推荐：
实现基于标签的推荐系统：
不涉及机器学习，只用到简单的统计
Tensorflow2实现双塔DNN排序模型：
推荐系统技能提升之论文阅读：
https://github.com/peiss/ant-learn-recsys/tree/master/recsys_papers
接入一个推荐系统需要哪些步骤：
